[论文解读] The Effect of Population Size for Pathogen Transmission on Prediction of COVID-19 Pandemic Spread

Xuqi Zhang, Haiqi Liu+4 more|arXiv (Cornell University)|Apr 22, 2020

COVID-19 epidemiological studies参考文献 33被引用 4

一句话总结

本研究针对病原体传播（Nc）的时变人群规模，构建了一个随机SEIR模型，以改进COVID-19的实时预测与预报。通过将无迹滤波与交互多模型滤波结合，融入非线性滤波理论，该模型可估计动态传播参数，并在不同干预强度下预测感染高峰。结果表明，将Nc减少50%–75%可使全球感染高峰住院人数从3.00×10⁶降至1.84×10⁶和1.27×10⁶。

ABSTRACT

Extreme public health interventions play a critical role in mitigating the local and global prevalence and pandemic potential of COVID-19. Here, we use population size for pathogen transmission to measure the intensity of public health interventions, which is a key characteristic variable for nowcasting and forecasting of the epidemic. By formulating a hidden Markov dynamic system and using nonlinear filtering theory, we have developed a stochastic epidemic dynamic model under public health interventions. The model parameters and states are estimated in time from internationally available public data by combining an unscented filter and an interacting multiple model filter. Moreover, we consider the computability of the population size and provide its selection criterion. We estimate the mean of the basic reproductive number of China and the rest of the globe except China (GEC) to be 2.46 (95% CI: 2.41-2.51) and 3.64 (95% CI: (3.55-3.72), respectively. We infer that the number of latent infections of GEC is about 7.47*10^5 (95% CI: 7.32*10^5-7.62*10^5) as of April 2, 2020. We predict that the peak of infections in hospitals of GEC may reach 3.00*10^6 on the present trajectory, i.e., if the population size for pathogen transmission and epidemic parameters remains unchanged. If the control intensity is strengthened, e.g., 50% reduction or 75% reduction of the population size for pathogen transmission, the peak would decline to 1.84*10^6, 1.27*10^6, respectively.

研究动机与目标

• 开发一种在公共卫生干预下考虑时变人群规模（Nc）的随机流行病动力学模型。
• 通过非线性滤波技术，利用公开的国际数据实现实时模型状态与参数估计。
• 识别并量化Nc作为衡量干预强度的关键控制变量在流行病预报中的作用。
• 提出可计算的Nc选择准则，以确保模型的可识别性与实际适用性。
• 在不同干预情景下，预测全球及局部感染趋势的规模、峰值及置信区间。

提出的方法

• 构建隐马尔可夫动态系统，以表征公共卫生干预下SEIR过程的随机演化。
• 将无迹卡尔曼滤波与交互多模型滤波相结合，从噪声较大的现实世界数据中估计时变状态与参数。
• 利用非线性滤波理论处理流行病动力学中的过程噪声与观测噪声，实现稳健的状态估计。
• 通过1/N展开推导状态与协方差估计的扰动边界，评估模型对人群规模的敏感性。
• 基于模型可计算性与可识别性，提出Nc的选择准则，确保其在现实场景中的实际相关性。
• 采用测量模型将潜伏感染与确诊病例关联，考虑潜伏期（7–14天）的影响。

实验结果

研究问题

• RQ1 病原体传播人群规模（Nc）如何影响COVID-19实时预测与预报的准确性？
• RQ2 以Nc衡量的干预强度变化，对全球住院感染峰值有何影响？
• RQ3 能否利用非线性滤波技术，从实时公开数据中可靠估计具有时变Nc的随机SEIR模型？
• RQ4 在干预下的动态流行病模型中，Nc的可识别性与选择准则为何？
• RQ5 Nc的变化（如减少50%或75%）如何改变全球除中国外地区（GEC）的感染轨迹与峰值？

主要发现

• 中国估计的基本再生数为2.46（95%置信区间：2.41–2.51），全球其余地区（GEC）为3.64（95%置信区间：3.55–3.72）。
• 截至2020年4月2日，GEC地区潜伏感染人数推断为7.47×10⁵（95%置信区间：7.32×10⁵–7.62×10⁵）。
• 按当前趋势，GEC地区住院感染的峰值预计将达到3.00×10⁶。
• 若Nc减少50%，预测峰值将降至1.84×10⁶；若减少75%，则降至1.27×10⁶。
• 模型表明，Nc是流行病预报中关键、可测量且可计算的变量，可用于量化干预强度。
• 扰动分析证实，状态与协方差估计在1/N阶误差下保持稳定，验证了模型在大规模人群中的鲁棒性。